Vídeo en primera persona para IA: cómo recopilar vídeo egocéntrico

RapidWorkers Team15 oct 2026 • 13 min de lectura
Vídeo en primera persona para IA: cómo recopilar vídeo egocéntrico

Los robots ya trabajan casi a la perfección en las líneas de montaje de las fábricas, pero todavía les cuesta doblar una camiseta. El problema no es el hardware, sino los datos: a los modelos les faltan ejemplos de cómo las personas hacen tareas domésticas cotidianas con sus propias manos. Por eso las startups de robótica ya pagan a personas de todo el mundo para que se graben haciendo tareas del hogar con una cámara sujeta a la cabeza. Según ese mismo reportaje, Nvidia afirmó que añadir más de 20,000 horas de vídeo en primera persona mejoró en más de un 50% la tasa de éxito de los robots en algunas tareas.

Este tipo de grabación se llama vídeo egocéntrico o vídeo en primera persona: la cámara ve el mundo como lo ve una persona, con sus manos, los objetos que manipula y el movimiento de su cabeza. A continuación verás quién necesita estos datos, en qué se diferencian del vídeo convencional, cómo redactar los escenarios y las instrucciones de grabación, cómo comprobar la calidad y cuánto cuesta la recopilación.

Quién necesita vídeo en primera persona

Ámbito

Para qué necesita los datos

Qué se graba

Robótica y humanoides

Aprender a manipular objetos a partir de ejemplos de acciones humanas

Tareas domésticas: cocinar, limpiar, doblar ropa, montar cosas

Gafas de RA y asistentes inteligentes

Entender qué está haciendo una persona y qué ayuda necesita

Acciones cotidianas, desplazamientos, búsqueda de objetos

Modelos multimodales

Describir y comprender acciones en vídeo

Una gran variedad de acciones con descripciones de texto

Industria y formación

Analizar operaciones de trabajo, formar a nuevos empleados

Montaje, reparación, embalaje

Lo que tienen en común todos estos casos: el modelo no necesita ver la escena desde fuera, sino lo que ve la persona que actúa. Así es exactamente como "verá" un robot con cámaras en la cabeza o un asistente integrado en unas gafas.

En qué se diferencia el vídeo egocéntrico del vídeo convencional y por qué no bastan los datasets públicos

El vídeo convencional graba a una persona desde fuera. El vídeo egocéntrico graba el mundo a través de sus ojos, y eso lo cambia todo:

  1. Las manos, en el centro del encuadre. Para la robótica, esto es lo fundamental: el modelo aprende cómo los dedos agarran, sujetan, giran y sueltan los objetos.
  2. La cámara está siempre en movimiento. Se mueve con la cabeza o el cuerpo, así que los datos recogen hacia dónde mira la persona y hacia dónde va.
  3. Acciones continuas. En lugar de clips cortos, obtienes largas secuencias de pasos: sacar, lavar, cortar, guardar. El modelo aprende no solo las acciones, sino también su orden.
  4. Hogares reales en lugar de estudios. El valor de los datos está en la variedad de cocinas, vajillas, iluminación y desorden.

Qué hay ya disponible públicamente

Dataset

Volumen

Cobertura

3,670 horas de vídeo de la vida cotidiana

931 personas, 74 ubicaciones en 9 países

100 horas, unas 90,000 acciones anotadas

45 cocinas, 37 participantes

Estos datasets se convirtieron en la base de la investigación, pero normalmente no bastan para un producto comercial. Hay tres motivos. Primero, las licencias suelen restringir el uso comercial, así que debes revisar las condiciones de cada dataset. Segundo, no incluyen las tareas concretas que necesitas: si tu robot dobla ropa, necesitas cientos de horas precisamente de gente doblando ropa. Tercero, el volumen se queda corto: las empresas que recopilan estos datos para robots ya hablan de cientos de miles de horas al mes.

Explicamos los principios generales de la recopilación de vídeo para IA en nuestro artículo sobre recopilación de datos de vídeo para entrenar IA. Aquí nos centraremos en lo específico de la grabación en primera persona.

Qué escenarios grabar y cómo crear una lista de acciones

El error más habitual es pedir a la gente que "grabe cómo pasa el día". La mitad del material acaba siendo un paseo hasta la tienda y un móvil en las manos de alguien, sin casi ninguna de las acciones que necesitas. Empieza por definir qué debe aprender a hacer exactamente tu modelo.

Paso 1. Define las habilidades objetivo

Si tu robot tiene que limpiar una cocina, no necesitas "escenas domésticas", sino manipulaciones concretas: tomar un plato de la mesa, abrir el lavavajillas, colocar el plato en la rejilla, limpiar la mesa. Haz una lista de 10–30 acciones de este tipo. Será la columna vertebral de tus tareas.

Paso 2. Agrupa las acciones en escenarios de 5–15 minutos

Un vídeo, una tarea completa con principio y final. Así al trabajador le resulta más fácil entender qué tiene que grabar, y a ti te resulta más fácil revisar y anotar el resultado.

Escenario

Acciones en el encuadre

Duración

Recoger después del desayuno

Recoger los platos, llevarlos al fregadero o al lavavajillas, limpiar la mesa

5–10 minutos

Doblar la ropa limpia

Sacar las prendas del cesto, doblar camisetas y toallas, colocarlas en los estantes

10–15 minutos

Cocinar un plato sencillo

Sacar los ingredientes, lavar, cortar, mezclar, guardar las sobras

10–15 minutos

Guardar la compra

Sacar los productos de las bolsas, colocarlos en la nevera y en los armarios

5–10 minutos

Montar o reparar un objeto

Desembalar, seguir las instrucciones, usar herramientas

10–15 minutos

Paso 3. Incorpora variedad

Un modelo entrenado en una cocina se perderá en otra. Por eso importan más muchas personas distintas que muchas horas de una sola persona. Limita el número de vídeos por trabajador y recopila datos en varios países: las cocinas, los fregaderos, la vajilla, la comida y la propia forma de hacer las cosas cotidianas varían mucho entre India, Brasil y Polonia. Para saber cómo repartir la recopilación entre países, consulta nuestra guía de recopilación de datos de entrenamiento para IA.

Consejo: incluye en tus tareas algunas situaciones "imperfectas": se cae un objeto, una tapa no se abre, hay que repetir algo. Un robot en un hogar real tendrá que enfrentarse precisamente a esos momentos.

Equipo y requisitos de grabación

Grabar en primera persona no requiere un equipo especial. Las empresas que recopilan estos datos para robots a menudo se las arreglan con un smartphone en una cinta para la cabeza y una lista de tareas.

Opción

Ventajas

Inconvenientes

Smartphone en una cinta para la cabeza

Casi todo el mundo tiene uno, el ángulo se parece al de la vista de una persona, los soportes son baratos

Pesa en sesiones largas, cada cámara graba de forma diferente

Smartphone en el pecho

Cómodo, imagen estable, manos bien visibles

El ángulo queda por debajo de los ojos, no se ve hacia dónde mira la persona

Cámara de acción

Gran angular, estabilización, poco peso

No todo el mundo tiene una, mucha distorsión en los bordes

Gafas inteligentes con cámara

Ángulo exactamente a la altura de los ojos, discretas

Pocos trabajadores las tienen, límites de duración de grabación

Para la mayoría de los proyectos, un smartphone en la cabeza o en el pecho es la opción más práctica: no dependes de que los trabajadores tengan un equipo especial. Lo clave es elegir un único tipo de sujeción para todo el dataset, de modo que el ángulo sea siempre el mismo.

Requisitos que debes incluir en la tarea

  1. Calidad: al menos 1080p y 30 fotogramas por segundo, sin filtros ni efectos.
  2. Ambas muñecas en el encuadre la mayor parte del tiempo: el trabajador lo comprueba con una breve grabación de prueba antes de empezar.
  3. Iluminación: luz suficiente para ver los dedos y los objetos pequeños.
  4. Continuidad: un escenario, una grabación, sin cortes ni pausas.
  5. Comportamiento natural: hazlo todo a tu ritmo habitual, sin ralentizarte ni actuar para la cámara.
  6. Una breve descripción: la lista de acciones en orden y el país donde grabaste.
Nota: adjunta a la tarea un breve ejemplo de una buena grabación. Un solo vídeo de 30 segundos explica el ángulo, el ritmo y la posición de las manos mejor que una página de texto.

Consentimiento y privacidad: lo que no puedes pasar por alto

El vídeo grabado dentro de los hogares es un dato sensible. En el encuadre aparecen con facilidad familiares, niños, documentos, pantallas con mensajes privados y direcciones. Los errores aquí perjudican tanto a las personas como a tu derecho a usar el dataset.

  1. Consentimiento explícito del trabajador. La tarea debe indicar con honestidad para qué se usarán las grabaciones y obtener el consentimiento para ceder el vídeo para el entrenamiento de IA.
  2. Nadie más en el encuadre. Pide a los trabajadores que graben cuando no haya nadie más alrededor. Que aparezcan niños en el encuadre es motivo automático para rechazar el vídeo.
  3. Nada de información personal. Retira del encuadre documentos, sobres con direcciones y pantallas de teléfonos y ordenadores.
  4. Sin audio si no lo necesitas. Las conversaciones de fondo también son datos personales. Si el audio no importa para tu modelo, elimina la pista.
  5. Revisión antes del uso. Incluso con buenas instrucciones, revisa los vídeos de forma manual o automática en busca de caras y texto, y difumina todo lo que se haya colado.

Si recopilas datos en la UE o para un producto europeo, consulta con un abogado los requisitos del RGPD (GDPR) sobre consentimiento y almacenamiento.

Control de calidad y anotación

Sin control de calidad, una parte notable de las grabaciones no servirá. El fundador de una empresa que recopila este tipo de vídeo para robótica afirma que solo alrededor de la mitad del material enviado es aprovechable. Los motivos más habituales por los que se rechazan los vídeos:

Problema

Cómo evitarlo

Las manos salen del encuadre

Una grabación de prueba y un ejemplo del ángulo correcto en la tarea

Imagen oscura, borrosa o muy temblorosa

Requisitos de iluminación y sujeción, comprobaciones automáticas de brillo y nitidez

Escenario equivocado o acciones que faltan

Una lista de acciones clara y una descripción del trabajador

Actuar para la cámara, ritmo poco natural

Pide a los trabajadores que lo hagan todo como siempre y muestra un ejemplo de grabación natural

Otras personas o datos personales en el encuadre

Normas de privacidad y una revisión antes de aceptar

Repeticiones del mismo vídeo

Un límite de vídeos por trabajador, detección de duplicados

Cómo se anota el vídeo egocéntrico

El vídeo en bruto es útil, pero el vídeo anotado vale mucho más. Los principales tipos de anotación:

  1. Marcas de tiempo de las acciones: el inicio y el final de cada paso con una etiqueta ("tomó el cuchillo", "cortó la cebolla"). Así se anotaron las aproximadamente 90,000 acciones de EPIC-KITCHENS-100.
  2. Breves descripciones de texto de lo que ocurre en el encuadre, para modelos multimodales.
  3. Cuadros delimitadores de manos y objetos en fotogramas clave: qué mano sujeta qué objeto y dónde.
  4. Etiquetas de éxito: si la acción se completó al primer intento.

La anotación de marcas de tiempo suele hacerse como una campaña aparte con otros trabajadores. Además sirve de comprobación: si el anotador no encuentra en el vídeo las acciones indicadas, hay que volver a grabarlo.

Cuánto cuesta recopilar vídeo egocéntrico y cómo hacerlo en RapidWorkers

En este mercado, según se informa, a los trabajadores se les paga aproximadamente entre $5 y $20 por hora, según el país. En RapidWorkers no pagas por hora, sino por cada vídeo aceptado: las grabaciones que no superan la revisión no se pagan. Eso importa cuando una parte considerable del material no da la talla.

Para conocer en detalle cómo funciona la recopilación de vídeo en primera persona en nuestra plataforma, consulta la página de recopilación de datos de vídeo egocéntrico de RapidWorkers.

Este es un presupuesto aproximado para un primer proyecto (las recompensas son orientativas; tú las fijas):

Etapa

Volumen

Recompensa

Pagado a los trabajadores

Con comisión del 15%

Piloto: probar las instrucciones

20 vídeos de 10 minutos cada uno

$3.00

$60.00

$69.00

Recopilación principal

500 vídeos aceptados (unas 83 horas)

$3.00

$1,500.00

$1,725.00

Anotación de marcas de tiempo de las acciones

500 vídeos

$1.50

$750.00

$862.50

Total



$2,310.00

$2,656.50

Una recompensa de $3 por 10 minutos de vídeo más la preparación equivale a 15–20 minutos de trabajo para el trabajador. En los países de ingresos altos, sube la recompensa o la recopilación irá lenta. Lo más sencillo es lanzar una campaña distinta para cada grupo de países, cada una con su propia recompensa.

Así se pone en marcha:

  1. Recarga tu saldo con tarjeta o criptomonedas, con un mínimo de $20.
  2. Crea una campaña en la sección AI Tasks (beta). Describe el escenario y la lista de acciones, los requisitos de grabación y las normas de privacidad, y adjunta un ejemplo de un buen vídeo.
  3. Elige los países. Los trabajadores de RapidWorkers viven en más de 190 países, así que puedes incorporar al dataset desde el principio la variedad de hogares y costumbres.
  4. Haz un piloto de 20 vídeos. Mira qué entendieron mal los trabajadores y ajusta las instrucciones.
  5. Amplía y revisa. Acepta solo los vídeos que cumplan los requisitos. Si terminas una campaña antes de tiempo, el presupuesto no utilizado vuelve a tu saldo.
  6. Lanza la anotación como una campaña aparte sobre los vídeos aceptados. Explicamos cómo controlar la precisión de la anotación en nuestro artículo sobre externalización del etiquetado de datos.

Preguntas frecuentes: vídeo en primera persona para IA

¿Qué es el vídeo egocéntrico?

Es un vídeo grabado desde el propio punto de vista de una persona: la cámara va sujeta a la cabeza o al pecho, o integrada en unas gafas. En el encuadre se ven sus manos, los objetos que manipula y hacia dónde mira. Estos datos se usan para entrenar robots, asistentes de RA y modelos multimodales.

¿Por qué los robots necesitan vídeos de personas?

Los robots pensados para trabajar en hogares necesitan ejemplos de cómo las personas manipulan objetos en entornos reales. Recopilar esos ejemplos con los propios robots es lento y caro, mientras que el vídeo en primera persona se puede grabar rápidamente en miles de hogares distintos. Según Nvidia, añadir más de 20,000 horas de este tipo de vídeo mejoró en más de un 50% la tasa de éxito en algunas tareas robóticas.

¿Puedo grabar vídeo egocéntrico con un móvil normal?

Sí. Un smartphone en un soporte económico para la cabeza o el pecho es la opción más habitual para la recopilación a gran escala. Lo importante es usar un único tipo de soporte para todo el dataset, una resolución de al menos 1080p y que ambas muñecas aparezcan en el encuadre.

¿Cuántas horas de vídeo necesito?

Depende de la tarea. El dataset de investigación EPIC-KITCHENS-100 tiene 100 horas de actividad en la cocina, y Ego4D tiene 3,670 horas de vida cotidiana. Para probar una hipótesis sobre una sola habilidad, los equipos suelen empezar con decenas de horas de muchas personas distintas, mientras que las empresas que desarrollan robots de uso general recopilan cientos de miles de horas.

¿Puedo usar Ego4D para un producto comercial?

Cada dataset público tiene su propia licencia, y a menudo restringe el uso comercial. Antes de usarlo en un producto, lee las condiciones de la licencia y consulta con un abogado si hace falta. Si recopilas tus propios datos con el consentimiento de los trabajadores, esta cuestión desaparece.

¿Cuánto cuesta recopilar vídeo en primera persona?

En este mercado se paga a los trabajadores aproximadamente $5–20 por hora, según el país. En el ejemplo de este artículo, 500 vídeos aceptados de 10 minutos (unas 83 horas), más la anotación y la comisión de RapidWorkers, cuestan unos $2,650.

Conclusión: los robots aprenden de lo que ven las personas

El vídeo en primera persona se ha convertido en uno de los tipos de datos más demandados para la robótica y la RA. Los datasets públicos te dan un punto de partida, pero un producto concreto necesita sus propios escenarios, sus propios países y derechos claros sobre los datos. La calidad del dataset depende de cosas sencillas: una lista de acciones clara, un ángulo de cámara constante, las manos en el encuadre, normas de privacidad estrictas y la revisión de cada vídeo.

Empieza con una sola habilidad y un piloto de 20 vídeos, que cuesta unos $70. Lanza la recopilación de vídeo egocéntrico en RapidWorkers, elige tus países y consigue tus primeras grabaciones en hogares reales para probar tus instrucciones antes de invertir en una recopilación a gran escala.

¿Listo para empezar?

Únete a miles de trabajadores y empleadores que ya usan RapidWorkers para completar tareas rápido.

  • Sin suscripción
  • Cancela cuando quieras
  • Disponible 24/7
  • Resolución de disputas